# 在 AI 浪潮里慢一点:写给打工人,也写给老板

> AI 焦虑至少有一半是被营销出来的。用 PwC、MIT、METR、DX 的一手数据拆解 2026 年的 AI 现实:56% 的 CEO 报告零回报,95% 的企业自建项目失败,AI Coding 实测只提速 10%。给打工人 5 条定力建议,给老板 5 条转型建议。

- 作者: zhuermu
- 发布: 2026-07-02
- 网页版: https://zhuermu.com/blog/ai-hype-reality-check-2026/

---
> 当全员都在卷 AI、当老板天天逼你"AI 转型"、当新名词每月一个砸过来——这篇文章想告诉你:这场焦虑,至少有一半是被营销出来的。

## 引子:每个人都被 AI 追着跑

最近几个月,我能明显感觉到身边的"AI 焦虑"像传染病一样扩散:

- 做销售的朋友每周一节 AI 课,已经背了 4 个月的 Prompt 模板。她叹气:"我学的不是说话的本事吗?怎么搞得跟背英语单词似的。"
- 做行政的朋友每天打开 ChatGPT 截图打卡,因为新 KPI 加了一项"AI 使用率"——跟当年发朋友圈打卡一个味儿。
- 应届毕业生去面试,HR 张口就问:"你会用 AI 吗?什么 Agent 框架?"她当场愣住。
- 我邻居群里居然有人发问:"谁会装那个龙虾?付费请人帮装一下。"

技术圈那边更卷。前两年还在卷 **Prompt Engineering**,去年开始追 **Vibe Coding**,今年又冒出来 **Context Engineering**、**Subagents**、**Harness Engineering**、**Skills**、**MCP**……新名词几乎每个月都有。

每个人脸上都写着同一种表情——**怕**。

怕学慢一步就被淘汰;怕老板某天说"我们已经不需要这个岗位了";怕"你不会被 AI 取代,但你会被会用 AI 的同事取代"那句话变成现实。

但我想告诉你:**这场焦虑,至少有一半是被营销出来的。**

今天咱们抛开焦虑,结合一手数据和真正的行业大佬怎么说,聊聊两件事:

1. **作为打工人,怎么在浪潮里站稳脚跟,又不被裹挟?**
2. **作为老板,企业到底要不要 All In AI 转型?要转的话怎么转才不踩坑?**

## 一、一年前的豪言,一年后没兑现

时间倒回 2025 年 1 月。

OpenAI 的 CEO Sam Altman 在博客《Reflections》里写下一句话,被无数公司当成战略圣经:

> "2025 年,我们将看到第一批 AI Agent 加入劳动力大军,实质性改变公司的产出。"

翻译过来就是:"**今年开始,AI 就要替你们干活了。**"

董事会、年会、投资人见面会,处处都在喊"我们要 AI-Native 转型"。一时间没说自己是 AI 公司,都不好意思跟同行打招呼。

**结果呢?**

2025 年 12 月,《纽约客》(The New Yorker)发了一篇年终复盘,标题就一句话:

> **《为什么 AI 没在 2025 年改变我们的生活?》**

2025 年 10 月,Fortune 杂志报道——OpenAI 自己的联合创始人接受采访时改口:

> "AGI 真正实现,还得再等十年。它们目前没有足够的智能。"

**最早喊"Agent 之年"的那家公司,自家联创都说"再等十年"了。**

更新的数据更扎心:2026 年 5 月 19 日,PwC 发布了《2026 年全球 CEO 调研》,覆盖 **4454 位**全球企业 CEO,结论是:

> **56% 的 CEO 表示,企业在 AI 上的投入"零财务收益"。**

这不是个人观点的分歧。这是**整个行业从过度承诺中冷静下来的信号**。

你想啊,连 OpenAI 自己都打脸了,PwC 数据也明明白白,那些转发"AI 即将替代 1 亿岗位"标题的自媒体,是不是该先冷静一下?

## 二、那些"卷"得离谱的公司,你听了会笑

### 故事一:先让员工训练 AI,再裁掉员工

主角:扎克伯格的 Meta。

2026 年 5 月 20 日,Meta 正式宣布裁员 8000 人(约占全员 10%),同时把 7000 人调入 AI 部门。Zuckerberg 在内部备忘录里说:"在 AI 时代,成功不是必然的。"(CNBC, 2026/5/20)

听起来还算正常?真正炸锅的是**前一周泄露的一段内部录音**:

> 扎克伯格在内部会议提到,公司通过内部追踪软件"识别出最聪明的员工",把他们的工作过程作为 AI 训练数据。(WION News, 2026/5/19)

美国 Mother Jones 杂志 2026 年 5 月 21 日的报道标题更直接:

> **"Meta 让数千名工程师训练他们的 AI 替代品——然后炒掉了他们。"**

WIRED 跟踪报道说,Meta 内部"员工士气历史性低迷"。大家都在猜:今天教 AI 怎么干活,明天工位是不是就空了?

这不是科幻片,是最近发生的真实新闻。

### 故事二:Token 成了新型 KPI,烧得多就是有功

硅谷出了个新词:**Tokenmaxxing**——直译"堆 Token 数"。

什么意思?一些大公司开始把"员工烧了多少 Token"当成员工绩效。

于是出现了奇景(数据综合自 Success.com 2026/5、TechCrunch 2026/3、Business Today 2026/5/22 等多家媒体):

- 亚马逊员工被曝**故意虚增 Token 用量**,只为在内部排行榜爬高一点;
- Meta、OpenAI 内部工程师互相比拼"我这周烧了多少 Token";
- 有工程师**一周消耗 2100 亿 Token**,相当于读完 33 本维基百科;
- 单人月度 AI 账单能烧到 **15 万美元**;
- OpenAI 高管公开建议:"顶级工程师一年应该有 25 万美元 AI 预算,这是新型招聘武器。"

听起来很爽?2026 年 5 月 22 日,Fortune 发表的报道直接打脸:

> **《Microsoft 报告揭露 AI 真实成本问题:用 AI 比雇人还贵》**

同一天,Business Today 的标题更直接:

> **"AI Agent 比它们替代的员工更贵了。"**

Uber 一年的 AI 预算,**几个礼拜**就烧完。

更让人警醒的是——Microsoft 自家《2026 年 Work Trend Index》报告显示,企业 AI Agent 使用量同比增长 **18 倍**。但 PwC 调研同时显示 **56% 的 CEO 报告零财务收益**。

**18 倍的使用量 × 0 的回报 = 一场堆出来的虚假繁荣。**

说白了:烧 Token 不等于创造价值。会烧钱的不是能人,是败家。

如果你公司也开始考核"AI 使用率",请把这段截图发到工作群(开个玩笑,你懂的)。

## 三、AI Coding 提速 10 倍?数据说没有

最常听到的一句话:"用了 AI 写代码,效率快 10 倍。"

听起来很爽。但产品经理们慢慢发现一件事:**程序员快了,可产品发版速度好像还是那样。**

这是为啥?

### 一组让 CEO 沉默的数据

研究机构 METR 在 2025 年 7 月做了一个被业界称为"金标准"的随机对照实验:找了 16 名资深开源开发者,246 个真实任务,用 Cursor + Claude(顶配 AI 编程工具)。

实验前问开发者:"用 AI 你觉得能快多少?"答案:平均预估快 **24%**。

实验后实测结果:**反而更慢了。**

因为他们对自家代码太熟,AI 的建议反而要花时间核对、纠正、再确认。Fortune 当时评论的标题就是《编程是 AI 的杀手级应用?但好处可能被夸大了》(2025/7/15)。

2026 年 4 月,DX 公司发布的最新报告,跟踪了 **420 万开发者**:

| 指标 | 数据 |
|---|---|
| AI 使用率提升 | 65% |
| PR(代码合并)通过率提升中位数 | 7.76% |
| 大多数公司的实际提升区间 | 5%–15% |

一句大白话总结:**93% 的程序员在用 AI,但生产效率只提了 10%。**(数据来源:DX Research 2026)

### 为什么"飞起"和"快 10 倍"差这么多?

我作为一线观察者的体会,就 3 件事:

1. **AI 写得快,但人 Review 也得快。** AI 一小时输出 2000 行代码,人不审你不敢上线,审了瓶颈就到了人这。
2. **AI 写测试自己也有 Bug。** 测试用例可能是错的,每次执行结果还有不确定性,最终还是要人兜底。
3. **写代码只是产品流程的一环。** 后面还有部署、运维、监控、运营——AI 在这些环节远不如代码生成成熟。前面快了,后面没跟上,整体速度就没变。

类比一下:你给厨师装了一台超级快的切菜机,但服务员还是那一个,洗碗工还是那一个。**整桌菜上桌的速度并不会快 10 倍。**

懂了这个,就知道为什么很多公司花了大钱搞 AI Coding,老板却觉得"好像也没啥差别"。

## 四、企业自建 AI Agent,95% 都没做成

很多老板谈"AI 转型",第一个想法就是:"咱们打通内部数据,搭一个公司专属 AI 大脑、做个自己的 Agent!"

听起来很美——这也是当下大多数企业 AI 转型的"标配动作"。但 MIT NANDA 项目 2025 年 8 月发布的《State of AI in Business 2025》报告,给所有 CEO 泼了盆冷水(数据来自 Fortune 2025/8/18 报道):

| 指标 | 数据 |
|---|---|
| 企业 GenAI 试点项目失败率 | 95% |
| 全球总投入 | 300–400 亿美元 |
| 采购成熟方案的成功率 | 67% |
| 企业自建方案的成功率 | 33% |

**自建的成功率,正好是采购的一半。**

这一数据并不孤立。2026 年 5 月 19 日发布的 PwC《全球 CEO 调研》中,4454 位全球 CEO 里有 56% 表示在 AI 上的投入"没有产生财务回报"。同期 Forbes 引用的 Sinch《2026 AI Production Paradox》和 Deloitte《State of AI in the Enterprise 2026》两份报告也得出同样结论:**"AI 采用速度在加快,但执行落地在变慢。"**

我观察过不少企业自建 Agent 项目,最后做出来的东西**就是一个稍微聪明点的对话机器人**——能查个数据、回答个 FAQ、写个总结报告。然后开发布会,宣布"我司已成为 AI-Native 公司"。

为什么这么难?说白了:

1. **技术迭代太快。** 你今年花几百万微调一个模型,明年人家发布的新的开源权重模型,比你微调的还聪明。**昨天的护城河,今天就是一条沟。**
2. **"数据安全"很多时候是个借口。** 不少企业自建的理由是"为了数据安全"。但你接的还是 OpenAI、Anthropic 的 API 吧?数据照样要传出去。除非你完全私有化部署,那成本你公司扛得起吗?
3. **概念几个月一变。** 去年还在卷 Prompt Engineering,今年是 Context Engineering、Harness Engineering,明年是什么没人知道。每一次"潮流"都让上次的工作打水漂。
4. **真正稀缺的不是模型,是"全链路懂行的人"。** 能让 Agent 跑通的,是**懂技术 + 懂业务 + 懂运维 + 懂产品**的复合人才。这种人比 GPU 还贵还少。
5. **你做不过 Claude Code、Codex 这些头部产品。** 它们背后是几亿美金 + 几千博士卷出来的。你公司挖来 30 个人也追不上。

一句话:**多数企业的"自建 Agent",是 CTO 的政绩工程,不是真正的业务杠杆。**

### 那 5% 成功的公司,到底做对了什么?

MIT 报告里特别拎出来分析:成功的那 5%,几乎没有一家是"从零自建大模型"的。它们的共同点很朴素:

- **小切口:**不搞"全公司大脑",先选一个具体痛点(比如客服话术、合同审查、报销流程),用一个 AI 工具跑通;
- **买现成:**直接用头部 AI(Claude、ChatGPT、Gemini 等),把 80% 的力气花在**流程改造和员工培训**上,而不是模型本身;
- **看业务结果:**衡量"客户响应时间、人均产出、错误率",不衡量"Token 消耗、AI 使用率";
- **AI 增强人,不取代人:**让员工用 AI 干得更好,**省下来的时间投入到更有价值的事**——而不是让员工训练完 AI 就走人。

说白了:**成功的公司不是"AI 公司",是"会用 AI 的公司"。**

## 五、听听真正的技术大佬怎么说

被新闻和自媒体淹没的时候,我们最该听的是**真正在一线做 AI 的人**怎么说。这里有三位,立场不同,但句句砸地。

### 1. Andrej Karpathy(前特斯拉 AI 总监、OpenAI 创始成员)

2025 年 10 月他在 Dwarkesh Patel 的播客里直接说:

> **"不是 'Year of Agents',是 'Decade of Agents'(不是 Agent 之年,是 Agent 之十年)。"**

更狠的是,他直接把当前的 Agent 称为 **"Slop(垃圾)"**——存在严重的"认知缺陷",需要漫长的可靠性爬坡过程。

有意思的反转是:2026 年 5 月 19 日,Karpathy 宣布加入 Anthropic 的 Pre-Training 团队。TechTimes 的报道标题非常精准:

> **《那个把当今 Agent 称作"Slop"的 Karpathy,加入了 Anthropic——用 Claude 来造下一代 Claude》**

为什么这件事重要?因为 Karpathy 用行动告诉所有人:**他相信 AI 的长期价值,但短期内的吹捧是泡沫。**

翻译成人话:别急着 All-In 当下,但也别失去对未来的信心。该做的是脚踏实地耕耘,不是追每一个新名词。

### 2. Yann LeCun(图灵奖得主、Meta 前首席 AI 科学家)

注意,他可是从 Meta 出来的——也就是上面"让员工训练 AI 替代自己"的那家公司的前首席 AI 科学家。

2025 年 11 月,他离开了工作 12 年的 Meta,融资 10 亿美元创办 AMI Labs。原因很硬核(据 Newsweek、The Next Web 等多家媒体报道):

> **"LLM 是一条 Off-Ramp(死胡同)。它们是统计错觉,不是真正的智能。"**
>
> "建议年轻人不要再做 LLM 相关研究,去做下一代 AI 系统。"

翻译:今天你押注 LLM 路线、抢着自建 Agent,可能押在了一个范式即将被颠覆的方向上。

### 3. 黄仁勋(Nvidia CEO)

老黄虽然是卖铲子的,但他对企业和员工说的话反而最克制、最朴素(以下引语综合自 Fortune 2025/10、2026/4 多篇报道):

> **"AI Agent 不是要替代企业软件,而是要让企业软件更强。"**
>
> "未来企业的劳动力,会是人类和数字人类的组合。"
>
> **"你不会被 AI 取代,但你会被会用 AI 的同事取代。"**
>
> "有些 CEO 有'上帝情结'——他们以为自己什么都懂。但这种过度自信会让公司失去关键人才。"
>
> **"你的工作和你完成工作所用的工具是相关的,但不是同一回事。"**

最后这句话,每一个打工人都该贴在显示器上。

翻译:AI 是新时代的"工具",不是新时代的"工人"。该慌的不是有工作的人,是迷信工具的老板。

## 六、写给打工人:你不必那么焦虑

最后聊聊我们自己——这才是这篇文章真正想说的。

身边人都在焦虑,怕学慢、怕落伍、怕被取代。但你看完上面的内容会发现:

- 喊"2025 是 Agent 之年"的 OpenAI 联创,自己改口"再等十年";
- Meta 首席 AI 科学家说当前路线是死胡同;
- 黄仁勋反复强调"工作不会消失,使用工具的方式会变";
- MIT 数据说 95% 的企业 AI 项目没产生回报。

**所以这场焦虑,至少一半是被营销出来的。**

剩下那一半呢?是真实的——但应对方式不是慌着学每一个新名词,而是这几条:

### 1. AI 是放大器,不是替代品

你本来就行的事,加 AI 会做得更好;你本来就不行的事,AI 救不了你。

你不会写文案,AI 写出来的东西你会觉得"挺好的"——但那是因为你不懂好文案长什么样。**AI 的天花板,是使用者的判断力。**

所以最重要的不是学 AI,是先让自己成为一个**对所在行业有真见识**的人。

### 2. 打好底层基本功

未来 AI 越发达,**审美、判断、沟通、信任、责任感**这些 AI 提升不了你的东西,反而会因为它而更稀缺。

- **销售:**AI 能写话术,但客户信任你这个人;
- **HR:**AI 能筛简历,但识人用人靠你;
- **老师:**AI 能讲知识,但孩子愿意跟你学;
- **医生:**AI 能诊断,但病人愿意把手伸给你。

**人和人的连接,是 AI 暂时拿不走的东西。**

### 3. 别追每一个新名词

Vibe Coding、Context Engineering、Subagents、Harness、Skills、MCP……这些词每个月都在变,追不完的。

**理解原理,而不是名词。** 原理一通百通。

举个例子:你不需要知道 RAG 是怎么实现的,只要知道"AI 会把你的资料读一遍再回答"——剩下的都是工程细节,跟你没关系。

### 4. 在你的领域用一两个工具,用透

不要一会儿 ChatGPT 一会儿 Claude 一会儿 Gemini。

挑一个,用 3 个月,深度集成进你的工作流,**让它变成你工作的一部分**——这比学 10 个工具的皮毛有用 100 倍。

### 5. 保留对工具的好奇,保留对炒作的怀疑

这两件事一点都不矛盾。

**对工具好奇的人,不会落伍;对炒作怀疑的人,不会被收割。**

## 七、顺便给老板们说几句

聊完打工人,老板那边也得说几句。

回到开头那个问题——**企业到底要不要 All In AI 转型?要的话怎么转?**

我的答案是:**要转,但不是你想象的那种转法。**

不是裁员、自建大模型、把 Token 当 KPI;不是开发布会喊"我们是 AI-Native 公司";更不是把员工经验榨干变成训练数据。

下面 5 条朴素建议,核心思想还是那句:**别慌,回到价值本身**。

### 1. 别再纠结"自建大模型",去改造你的业务系统

你的护城河从来不是模型权重,而是**业务数据 + 业务流程 + 行业 Know-How**。

举个例子:你公司有个用了 20 年的内部系统(CRM、ERP、工单系统都行),员工天天用得很熟,但接口乱、文档差。想"AI 化",正确做法**不是**花 5000 万训练一个"销售大模型",而是:

- 把 API 文档整理清楚;
- 加一层 AI 友好的协议(比如 MCP、CLI);
- 写一份"业务能力目录",让 AI 能像新员工查手册一样调用你的系统。

这样**无论明天大模型怎么换代,你的业务能力都能即插即用**。模型层迭代多快都不影响你。

一句话:**让头部 AI 来用你的系统,而不是把你的系统改造成 AI。**

### 2. 善用头部 AI,不要重复造轮子

OpenAI、Anthropic、Google 每家公司每年在模型训练上烧的钱是 100 亿美金量级。**你公司挖 30 个博士也追不上。**

很多老板说"为了数据安全才自建",但你想想:

- 你接的还是别人的 API 吗?数据照样要传出去;
- 真正私有化部署的成本和效果,你公司年利润够吗、扛得住吗?
- 微调一个开源模型几百万,明年新版本一出又得重做。

**当个聪明的使用者,比当一个昂贵的模仿者强 100 倍。**

把省下来的钱,投到工作流改造、员工培训、客户体验上——回报率远高于自建。

### 3. 把 Token 当水电费,别当成 KPI

Tokenmaxxing 这种风气,本质是**变相奖励"做样子"的工作**。员工为了排行榜虚增用量,公司为了财报数字鼓励虚增——**最后烧的全是真金白银**,业务一点没动。

健康的指标永远是**业务结果**:

- 客户响应时间是不是更快了?
- 缺陷率是不是降了?
- 迭代周期是不是缩短了?
- 客户满意度是不是涨了?

**不是日志里那个 Token 数字。**

真正聪明的公司:员工用不用 AI 自由选择,但月底的产出和质量看得见。

### 4. 培养"全链路理解者",比挖 AI 专家更重要

未来最值钱的不是"会写 Prompt"的人,而是**懂业务 + 懂技术 + 懂产品 + 懂运营**的指挥家。

这种人能干什么?

- 拆解需求,知道哪一步交给 AI、哪一步必须人来兜底;
- 调度多个 AI 工具 + 多个团队 + 多个系统,让流程真正跑通;
- 出问题的时候,能判断是模型问题、Prompt 问题、还是数据问题;
- 把领域 Know-How 沉淀成 AI 可复用的资产。

**95% 失败的 AI 项目里,那 5% 成功的关键就是这种人。**

不要急着去挖一个"前 OpenAI 工程师"——先在你团队里找那个**懂业务又愿意学技术**的人,把他/她培养成全链路理解者。这种内生人才比外部空降更稳。

### 5. 不要跟风裁员,更不要把员工当训练数据

Meta 那套"先让员工训练 AI、再炒掉员工"的玩法,看似精明,长期是公司文化的毒药。

WIRED 报道 Meta 内部"员工士气历史性低迷"。你想想:

- **剩下的人**还敢不敢把真本事教给公司?
- **新招进来的人**看到这种新闻,还愿意全力投入吗?
- **真正的高手**会不会优先选择不会"卸磨杀驴"的公司?

更别说从战略角度——AI 模型的边际价值在递减,**人的判断力、创造力、信任感在变得更稀缺**。一家用员工填 AI 喂料桶的公司,三年后会发现自己人才储备已经枯竭。

真正高水位的玩法:让 AI 帮员工提效,**省下来的时间投入到 AI 做不了的事**——客户关系、新产品创新、组织能力建设。员工和公司一起成长,而不是员工被吸干就丢掉。

这不光是道德问题,**是商业问题**。

## 写在最后

技术爆发的年代,最容易让人忘掉一件事:

> **人才是目的,技术是工具。**

**你不是为了"会用 AI"而存在,是为了过更好的生活;**企业也不是为了"成为 AI 公司"而存在,是为了创造价值。

Sam Altman 说,未来一个人加一群 AI Agent,可以做到 10 亿美元的生意。

也许吧。但今天看清楚浪潮的方向,比追逐每一朵浪花都重要。

**愿你少一点焦虑,多一点定力。做时代的冲浪者,不做时代的祭品。**

**慢一点,稳一点,挺好的。**

---

## 常见问题

### 2026 年企业 AI 投入的回报到底怎么样?

PwC 2026 年全球 CEO 调研(4454 位 CEO)显示,56% 的 CEO 表示企业在 AI 上的投入没有产生财务回报;MIT NANDA 报告显示企业 GenAI 试点项目失败率高达 95%,其中自建方案的成功率只有采购成熟方案的一半。

### AI Coding 真的能让开发效率提升 10 倍吗?

没有。METR 2025 年 7 月的随机对照实验显示,资深开发者用 AI 反而更慢;DX 2026 年跟踪 420 万开发者的数据显示,93% 的程序员在用 AI,但 PR 通过率中位数只提升 7.76%,大多数公司的实际提升区间是 5%–15%。

### 企业应该自建大模型和 AI Agent 吗?

大概率不应该。MIT 数据显示自建方案成功率(33%)只有采购方案(67%)的一半。更好的做法是把业务系统改造成 AI 友好的形态(整理 API、加 MCP 层),让头部模型即插即用,把钱投到流程改造和员工培训上。


---

## 参考资料

- [Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity](https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/) — METR
- [Reflections](https://blog.samaltman.com/reflections) — Sam Altman
- [PwC Annual Global CEO Survey](https://www.pwc.com/gx/en/issues/c-suite-insights/ceo-survey.html) — PwC
- [Work Trend Index](https://www.microsoft.com/en-us/worklife/work-trend-index) — Microsoft
- [Andrej Karpathy on the Dwarkesh Podcast](https://www.dwarkesh.com/p/andrej-karpathy) — Dwarkesh Patel